SOMA：基于特征梯度增强的仿射流匹配用于 SAR 光学图像配准
计算机视觉与模式识别
2025-11-18 v1 人工智能
摘要
实现 SAR 与光学图像的像素级配准仍是一个具有挑战性的任务，由于它们基本不同的成像机制和视觉特征。尽管深度学习在许多跨模态任务中取得了巨大成功，但其在 SAR 光学配准任务中的表现仍不令人满意。梯度信息传统上在手工描述子中发挥关键作用，通过突出结构差异。然而，这些梯度线索在深度学习框架中尚未有效利用。为解决这一问题，我们提出了 SOMA，一个集成结构梯度先验于深度特征并通过混合匹配策略 refinement 对齐的密集配准框架。具体而言，我们引入特征梯度增强器（FGE），其将多尺度、多方向梯度滤波器通过注意力和重构机制嵌入特征空间，以提升特征的辨识度。进一步，我们提出了全局-局部仿射流匹配器（GLAM），其在粗到细架构中结合仿射变换和基于流的 refinement，以确保结构一致性和局部精度。实验结果表明，SOMA 在 SEN1-2 数据集上将 CMR@1px 提升 12.29%，在 GFGE_SO 数据集上提升 18.50%。此外，SOMA 在 diverse scenes 和 resolutions 方面表现出强大的鲁棒性和良好的泛化能力。
引用
@article{arxiv.2511.13168,
title = {SOMA: Feature Gradient Enhanced Affine-Flow Matching for SAR-Optical Registration},
author = {Haodong Wang and Tao Zhuo and Xiuwei Zhang and Hanlin Yin and Wencong Wu and Yanning Zhang},
journal= {arXiv preprint arXiv:2511.13168},
year = {2025}
}